modelagem de distribuição geográfica de espécies

Modelagem de Distribuição Geográfica de Espécies

Programação do Curso

Aula teórica (hoje): Dados em biodiversidade Sistemas na Internet Nicho Ecológico de Espécie Modelagem de Distribuição Erros na Previsão: Omissão vs.

Sobreprevisão Dados Espaciais Escala dos Dados para Análise Algoritmos:

– BioClim – GARP

Aplicações Exemplos

Aula prática (amanhã): Introdução ao DesktopGarp Preparação dos dados Entrada dos dados Seleção de informação espacial

e ambiental Processamento e análise dos

resultados Outras aplicações:

– espécies invasoras– mudanças climáticas– projeção no tempo

Caracterização dos Dados sobre Biodiversidade

Dados primários: – coletas e observações:

o quê: espécie; onde: local da coleta; quando: data; quem: autor; como: método.

Dados secundários:– sumários, sínteses.

Basear análises e planejamentos em dados secundários é conveniente, mas...



Danifica a conexão vital entre o produto e os dados. O produto começa a degradar-se


Degradação dos Dados e Produtos

Quase imediatamente, novas informações tornam-se disponíveis, taxonomias são refeitas, paisagens e padrões de uso de solo mudam, e os dados tornam-se menos significativos. Assim, a qualidade e o significado dos produtos, assim como dos dados em que se baseiam, começam a se degradar.

A afirmação é feita ...

“Espécie X está presente no Local Y”


Danifica a conexão vital entre o produto e os dados. O produto começa a degradar-se

Não permite ao produto melhorar, crescer e evoluir com novos dados e de melhor qualidade


O uso de dados primários, especialmente os pontos de ocorrência de espécies, resolve vários problemas:

– Aproveita a grande quantidade de dados para todas as regiões e espécies

– Permite a atualização e evolução dos produtos conforme os dados tornam-se melhores - o produto melhora com o tempo

– Permite uma variedade de análises quantitativas e sintéticas, abrindo novas possibilidades para o uso da informação sobre biodiversidade


Pontos de ocorrência de espécies oferecem várias vantagens...

– Ocorrências de espécies são associadas a pontos específicos no espaço, permitindo a caracterização de necessidades ecológicas

– Ocorrências de espécies são associadas a pontos específicos no tempo, permitindo a avaliação de mudanças temporais

– Pontos de ocorrência são apropriados para uso em análises estatísticas e outros métodos quantitativos

– Torna desnecessário qualquer passo interpretativo intermediário no processo


3 bilhões de espécimes e dados relacionados, de animais e plantas, espalhados por museus de história natural e herbários, além dos dados de observação

Descrevem cerca de 2 milhões de espécies

Representam 300 anos de exploração científica da biodiversidade do planeta

Biblioteca da Vida


Dados não encontram-se disponíveis:– Maior parte está em etiquetas de papel

Acesso aos Dados Primários

Dados não encontram-se disponíveis:– Maior parte está em etiquetas de papel– Dados informatizados encontram-se em

sistemas operacionais heterogêneos, plataformas distintas, e sistema de gerenciamento de coleções diversos


Dados não encontram-se disponíveis:– Maior parte está em etiquetas de papel– Dados informatizados encontram-se em

sistemas operacionais heterogêneos, plataformas distintas, e sistema de gerenciamento de coleções diversos

Amostragem em coleções são individualmente incompletas


Paris Museu Britânico

Field MuseumKU - Museu de

HistóriaNatural

Coleções de Pássaros Mexicanos

“Museu Mundial” de Pássaros Mexicanos

Exemplo dos Pássaros Mexicanos

Dados integrados de 43 instituições

4 anos para construir o banco de dados

Ligação entre o banco de dados e o produto final é danificada

Coleção mais significante tinha apenas 16% dos dados

Exemplos de Sistemas na Internet

The Species Analyst – Iniciativa da América do Norte

ENHSIN - European Natural History Specimen Information Network

CONABIO - México

ERIN - Austrália

Rede de Coleções no Estado de São Paulo (FAPESP)

1. Amostragem existente é incompleta

2. Brancos na distribuição conhecidarepresentam ausência real ou simplesmente não-deteção

3. Não é possívelfazer a distinção entre as duas possibilidades sem dados adicionais

4. Inferência além dos limites dos dados reais se torna necessária

O Problema da Amostragem

Modelagem de Espécies

Ferramenta fundamental para inferência da distribuição de espécies selvagens

Baseada em dois princípios:– modelos do nicho ecológico (habitat)– previsão da localização geográfica da espécie

Nicho Ecológico de Espécie

É o conjunto de condições ecológicas com que as populações da espécie conseguem se manter

Precipitação

Tem

pera

tura

Modelo de nicho ecológico É definido como um

espaço n-dimensional:

Pontos de ocorrência georeferenciados

Coberturas geográficas resumindo dimensões ambientais como temperatura, precipitação, topografia, solos, geologia;

Usa de associações não-aleatórias entre pontos e coberturas para construir o modelo do nicho ecológico da espécie;

Projeta o modelo de volta nos mapas para prever a distribuição da espécie.

Modelagem de Distribuição

Geo

graf

ia

Eco

logi

a


Pontos de Ocorrência

Algoritmo

Precipitação

Tem

pera

tura

Modelo do Nicho Ecológico

Previsão daDistribuição

Nativa

distribução geográfica real

Erros na Previsão de Distribuição

Distribuição geográfica prevista


distribução geográfica real

SobreprevisãoOmissão

Distribuição geográfica prevista



Dois tipos possíveis de erro na previsão:– Omissão: área ocupada não faz parte da

previsão– Sobreprevisão: previsão inclui área não

ocupada

Objetivo: Minimizar ambas formas de erro



Características dos erros na previsão:– Omissão: quase sempre é um erro no modelo

(má qualidade) ou no dado de ocorrência (identificação incorreta da espécie, erro no georeferenciamento)

– Sobreprevisão: pode ser tanto um problema do modelo quanto uma deficiência da amostragem dos dados de ocorrência. Impossível determinar qual a natureza do erro

Dados Espaciais Usados nas Análises

Variáveis importantes para a espécie Variáveis mais comuns:

– Clima: temperatura, precipitação, radiação solar, cobertura de nuvens, neve (!?), etc

– Relevo: DEM, elevação, fluxos, etc– Hidrografia– Cobertura Vegetal

Escala dos Dados para Análise

Compatibilizar a escala dos dados de ocorrência com os dados ambientais

Coleções Biológicas 10 a 1.000kmDados ambientais 1 a 100kmColetas com GPS ~100mBase do Biota ~100m

Limitação da Modelagem Devido ao Conceito de Nicho Ecológico de Espécies: Previsão da distribuição não leva em conta os fatores históricos

Em outras palavras, uma espécie pode não habitar uma região que apresente condições favoráveis à manutenção de populações pois nunca teve a chance de chegar até lá, devido a uma barreira geográfica, por exemplo


Algoritmos

BioClim (Bioclimatic Envelope)

GARP (Genetic Algorithm for Rule-set Production)

Regressão Logística Análise Multivariada

Pontos de ocorrência sobre acobertura geográfica , como

a precipitação

BioClim


a precipitação

Histograma da freqüência daocorrência dos pontos nas classes de precipitação

BioClim


a precipitação


Distribuição é corrigida paraeliminar os registros marginais de habitat

BioClim


a precipitação


Distribuição é corrigida paraeliminar os registros marginais de habitat

A distribuição é projetada no mapa

BioClim

Desenvolvido por David Stockwell, no San Diego Supercomputer Center

Tem a vantagem de utilizar múltiplos algoritmos (BIOCLIM, regressão logística)

Diferentes regras podem se aplicar a diferentes setores da distribuição da espécie

Usa um algoritmo genético para escolher as melhores regras

GARP - Algoritmo Genético para Previsão baseada em Conjunto de Regras

Divide o conjunto de pontos em training data set (para construir modelos) e test data set (para avaliação da eficácia do modelo)

Aplica um algoritmo ao training data set– BIOCLIM– regressão logística– análise de função determinante– etc.

Avalia a eficácia do modelo, perguntando quando a omissão e a sobreprevisão são significantemente menores que num modelo aleatório

GARP

GARP

Pontos de ocorrência

Distribuiçãoprevista

Dimensõesambientais(coberturasgeográficas)

vegetaçãotemperaturaprecipitação

relevo

Regras do modelo GARP

IF elev1km=[95, 1200] AND geol1km=[1, 10] AND hum1km=[1, 8]mm AND rain1km=[1400, 2000]mm AND temp1km=[18, 25]mm AND veg1km=[7, 10]mmTHEN Taxon=PRESENT

IF elev1km=[250, 1000]mm AND hum1km=[3, 13]mm AND rain1km=[500, 2000]mm AND soil1km=[1, 16]mm AND temp1km=[16, 26]mmTHEN Taxon=BACKGROUND

IF geol1km=[1, 10]mm AND hum1km=[1, 8]mm AND rain1km=[1150, 2365]mmTHEN Taxon=PRESENT

Geo

graf

ia

Eco

logi

a

Possíveis Projeções


Algoritmo

Precipitação

Tem

pera

tura



Nativa

Projeção sobreClima Modificado

Projeçãosobre climaalterado

Previsão deInvasão

Projeção sobre outra região

Compreensão da distribuição de espécies raras e ameaçadas

Projeto de programas de re-introdução de espécies

Orientação para novos inventários

Aplicações

Aplicações

Projeto de planos de conservação da biodiversidade

Estudo de espécies invasoras

Estudo dos efeitos da mudança climática sobre a biodiversidade

Exemplos

Exemplo - Haplospiza rustica - Slaty Finch

Espécie Fantasma - Ela existe?

Distribuição Prevista do Slaty Finch

Redescoberta do “Slaty Finch” - 1995

Quão bem podemos prever?Brown Thrasher (Toxostoma rufum)

1. Escolhem-se 20estados para testes

2. Plotar dados de ocorrência (fonte: US Breeding Bird Survey)3. Omitir dados dos 20 estados de teste


4. Modelar a distribuição potencial baseado nos dados da BBS


5. Testar a previsão:sobrepondo os dados da BBS para os 20 estados de teste


• Previsão aleatória: 252 pontos• 715 dos 741 pontos de teste previstos corretamente• Significância estatística P < 10-225

• Todos 34 pássaros testados com significância• Nenhuma excedeu 10-3


Apoio à Decisão: US Gap Analysis vs GARP

Mourning Warbler Testado em Maine

(com mais 30 outras espécies de

pássaros)

29 das 31 espécies: modelos do GARP significativamente melhores que os da metodologia GAP

Cinza = GapVerde = TSA + GARPPreto = BBS transectsVermelho = ocorrências documentadas

Apoio à Decisão: Endemismo nas Florestas do Sudoeste do México

• Distribuição de 16 aves endêmicas das florestas do SO mexicano• Previsão usando o Species Analyst + GARP a partir de dados de museus

Concentração primária deespécies endêmicas (12 espécies)

Concentração secundária (4 espécies)

Onde investir em conservação?


Reservas ecológicasnão atingem a concentraçãosecundária


Concentração primária deespécies endêmicas (12 espécies)

Concentração secundária (4 espécies)

Mudanças climáticas globais são uma realidade, envolvendo processos muito

complexos para serem chamados apenas de “aquecimento global”. As

suas conseqüências para a biodiversidade continuam sem avaliação e muito interesse.

Conseqüências das Mudanças Climáticas para a Biodiversidade

Metodologia de Análise

Adquirir dados de distribuição para muitas espécies (aves, mamíferos, borboletas ...)

Construir modelos ecológicos para cada espécie usando GARP baseados em camadas geográficas atuais

Prever e caracteriza a distribuição geográfica de cada espécie

Metodologia de Análise

Ajustar as camadas geográficas de acordo com projeções de modelos de mudança global em larga escala

Projetar as distribuições de cada espécie nas camadas geográficas ajustadas

Comparar e contrastar as distribuições correntes e projetadas considerando todas as espécies utilizadas

Temperatura Atual

Mudanças Projetadas na Temperatura

Precipitação Atual

Mudanças Projetadas na Precipitação

Pontos de Ocorrência de Atlapetes virenticeps

Atlapetes virenticeps:Modelo de nicho ecológico

0 r 0.50 0.99 28.55 0.35 0.504IF - Elev*0.26 r + Precip*0.19 r - Temp*0.10 rTHEN Taxon=BACKGROUND

4 r 0.53 0.86 23.58 0.51 0.314IF + Elev*0.32 r - Precip*0.19 r - Temp*0.10 rTHEN Taxon=PRESENT


3 m 0.49 0.85 23.73 0.44 0.028IF Elev=[1482,3360]r AND Precip=[ 1, 4]r AND Temp=[ 2, 4]rTHEN Taxon=PRESENT

6 d 0.49 0.86 20.90 0.33 0.019IF Elev=[1937,3241]rTHEN Taxon=PRESENT

2 d 0.49 0.85 23.78 0.44 0.013IF Elev=[ 0,2727]r AND Precip=[ 4, 9]rTHEN Taxon=BACKGROUND

5 d 0.48 0.83 22.11 0.41 0.000IF Elev=[1640,2866]r AND Precip=[ 1, 4]r AND Temp=[ 2, 5]rTHEN Taxon=PRESENT

Previsão de Distribuição Geográfica de Atlapetes virenticeps


4 r 0.53 0.86 23.58 0.51 0.314IF + Elev*0.32 r - Precip*0.19 r - Temp*0.10 rTHEN Taxon=PRESENT


3 m 0.49 0.85 23.73 0.44 0.028IF Elev=[1482,3360]r AND Precip=[ 1, 4]r AND Temp=[ 2, 4]rTHEN Taxon=PRESENT

6 d 0.49 0.86 20.90 0.33 0.019IF Elev=[1937,3241]rTHEN Taxon=PRESENT

2 d 0.49 0.85 23.78 0.44 0.013IF Elev=[ 0,2727]r AND Precip=[ 4, 9]rTHEN Taxon=BACKGROUND

5 d 0.48 0.83 22.11 0.41 0.000IF Elev=[1640,2866]r AND Precip=[ 1, 4]r AND Temp=[ 2, 5]rTHEN Taxon=PRESENT

Atlapetes virenticeps:Modelo de nicho ecológico

Modelo para Atlapetes virenticepsProjetado nas Camadas Ajustadas

Atlapetes virenticeps: Antes vs. Depois

Ortalis poliocephala:Antes vs. Depois

Oreophasis derbianus:Antes vs. Depois

Detalhes das Análises de Segunda Geração

Modelo de Circulação Geral HadCM2 – usando dois cenários:

– HHGSDX50 - 0.5%/ano CO2

– HHGGAX50 - 1%/ano CO2

– Resolução de 0.5 x 0.5 graus Seis camadas ambientais Três cenários de habilidade de dispersão 1600 espécies – aves, mamíferos, e 2 famílias de

borboletas

-100

-50

0

50

100

-100 -80 -60 -40 -20 0 20 40 60 80 100

HHGSDX50

HH

GG

AX

50

Universal dispersalNo dispersalContiguous areas

0

1

2

3

-100 - -75 -75 - -50 -50 - -25 -25 - 0 0 - 25 25-50 50 - 75 75 - 100

HHGGAX50

HHGSDX50

0

1

2

3

4

5

-100 - -75 -75 - -50 -50 - -25 -25 - 0 0 - 25 25-50 50 - 75 75 - 100

Fre

quen

cy

0

1

2

3

4

5

-100 - -75 -75 - -50 -50 - -25 -25 - 0 0 - 25 25-50 50 - 75 75 - 100

Percent change in area

Universal

Área Contíguas

Sem Dispersão

Dispersão Universal

0

1

2

3

-100 - -75 -75 - -50 -50 - -25 -25 - 0 0 - 25 25-50 50 - 75 75 - 100

HHGGAX50

HHGSDX50

0

1

2

3

4

5

-100 - -75 -75 - -50 -50 - -25 -25 - 0 0 - 25 25-50 50 - 75 75 - 100

Fre

quen

cy

0

1

2

3

4

5

-100 - -75 -75 - -50 -50 - -25 -25 - 0 0 - 25 25-50 50 - 75 75 - 100


Universal

Contiguous areas

Sem Dispersão


Áreas Contíguas

0

1

2

3

-100 - -75 -75 - -50 -50 - -25 -25 - 0 0 - 25 25-50 50 - 75 75 - 100

HHGGAX50

HHGSDX50

0

1

2

3

4

5

-100 - -75 -75 - -50 -50 - -25 -25 - 0 0 - 25 25-50 50 - 75 75 - 100

Fre

quen

cy

0

1

2

3

4

5

-100 - -75 -75 - -50 -50 - -25 -25 - 0 0 - 25 25-50 50 - 75 75 - 100


Dispersão Limitada


Áreas Contíguas

Todas as 1600 espécies analisadas

0

20

40

60

80

100

120

140

160

180

200

0 20 40 60 80 100 120 140 160 180 200DX

AX

Universal dispersal

No dispersal

0

10

20

30

40

50

60

70

80

90

100

0 10 20 30 40 50 60 70 80 90 100

DX

AX ?

Colonizaçãoe Extinção

Borboletas do CanadáRiqueza de Espécies Atual

HGAX 2020

HGAX 2050

HSDX 2020

HSDX 2050

Comparação da Riqueza Máxima:Atual com HSDX 2020

Atual

2020

A Biodiversidade e asMudanças Climáticas Globais

A mudança no clima nos próximos 50 anos envolverá complexas reorganizações de condições ambientais

Espera-se que as conseqüências para espécies animais e vegetais sejam sérias, envolvendo reduções drásticas para muitas espécies, e a extinção para outras

Invasive Species

Impacto sobre sistemas e recursos naturais

Impacto sobre agroecosistemas

Causa a extinção de espécies nativas

Solução Atual: Reativa

Detecção da espécie invasora após a invasão

Abordagem de combate somente espécie por espécie

Abordagens não têm contexto teóricoAbordagens de combate são

completamente reativas

Nova Solução – Metodologia Uso de bancos de dados distribuídos para

obter dados sobre a distribuição nativa ou introduzida

Uso do GARP ou BioClim para modelar o nicho ecológico de invasores em potencial

Projetar os modelos ecológicos às áreas de invasão em potencial

Avaliar o risco e localizar áreas críticas para combate às invasões

Geo

graf

ia

Eco

logi

a

Espécies Invasoras


Algoritmo

Precipitação

Tem

pera

tura



Nativa

Previsão deInvasão

Projeção sobre outra região

Largemouth Bass

No Japão?

Pontos de Ocorrência na América do Norte, a partir de dados da FishNet (2437 registros)

Distribuição Potencial Prevista para a América do Norte

Mapa-Mundi I

Mapa-Mundi II

Distribuição Prevista no Japão

Previsão do Ratão do Banhado na América do Norte

Pontos de Distribuição Nativa

Modelo de Distribução Nativa

P < 0.03em todos

os modelos

Projeção na América do Norte

Glassy-winged SharpshooterHomolodisca coagulata

Pontos Conhecidos – Distribuição Nativa

Modelo GARP inferido a partir dos pontos

Distribução Nativa – Mudanças Climáticas

Projeção na Califórnia

Testes do Model de Previsão

Distribuição na Califórniacom Mudanças Climáticas

Distribuição Potencial na America do Sul

Distribuição Potencial na Europa

modelagem de distribuição geográfica de espécies

Education